Verbesserung der Erkennung von Lungenkrebs im Frühstadium in einer IDEAL-Studie (Diverse Population). (IDEAL)

Lungenkrebs ist nach wie vor die häufigste Krebstodesursache in Kanada und weltweit. Mehrere große randomisierte Kontrollstudien haben gezeigt, dass das Niedrigdosis-Computertomographie-Screening (LDCT) eine kostengünstige Maßnahme ist, um Menschen, die stark geraucht haben, Leben zu retten. Die Erkenntnisse führten zur Einführung des LDCT-Lungenkrebs-Screenings in Kanada für Menschen, die in der Vergangenheit stark geraucht haben oder immer noch rauchen. Allerdings würden über 50 % der Patienten, die heute an Lungenkrebs erkranken, die aktuellen Screening-Zulassungskriterien nicht erfüllen. Eine Strategie zur Identifizierung von Personen, die derzeit nicht für ein Screening in Frage kommen, aber ein hohes Risiko für Lungenkrebs haben, ist dringend erforderlich. Inzwischen haben aktuelle Studien gezeigt, dass Patienten mit inzidentellen Lungenknoten (IPNs) die LDCT-Screeningkriterien oft nicht erfüllen. Obwohl diese Patienten ein höheres Risiko für Lungenkrebs haben, werden die meisten dieser Patienten nie im klinischen Umfeld weiterbeobachtet. Dies stellt eine wichtige Gelegenheit dar, die sich abzeichnende Herausforderung der Früherkennung von Lungenkrebs anzugehen und gleichzeitig die fehlende Verbindung zwischen IPNs und Lungenkrebs anzugehen.

Objektiv.

Unsere vorgeschlagene Studie wird zwei wichtige Ziele verfolgen: (a) Personen mit hohem Lungenkrebsrisiko identifizieren, die von einem LDCT-Screening profitieren würden, aber derzeit nicht teilnahmeberechtigt sind; (b) den Rahmen für die Behandlung von Patienten mit zufälligen Lungenknoten mit angemessener Nachsorge auf der Grundlage einer genauen Interpretation des bereits verfügbaren Thorax-CT-Scans bereitstellen.

Spezifische Ziele

(i) Entwicklung des Rahmens zur Bewertung des Lungenkrebsrisikos von IPN-Patienten; (ii) Entwicklung und Validierung eines Ausatemtests zur Identifizierung von Personen mit hohem Risiko, die die aktuellen Zulassungskriterien für das LDCT-Screening nicht erfüllen; (iii) prospektive Validierung einer Reihe zirkulierender Blutproteine, um die Behandlung zufälliger Lungenknoten zu personalisieren; (iv) Verbesserung der Genauigkeit und Konsistenz der Auswertung von Thorax-CT-Scans mit zufälligen Lungenknoten, um die Früherkennung von Lungenkrebs zu verbessern; (v) Bewerten Sie die gesundheitsökonomischen Vorteile eines multimodalen Ansatzes zur Behandlung zufälliger Lungenknoten

Methoden. Insgesamt werden zwischen beiden Studienzweigen 3600 Teilnehmer rekrutiert.

Da es sich bei IPN-Patienten um eine Hochrisikogruppe handelt, die für das Screening nicht geeignet ist und in der Regel unterversorgt ist, werden wir eine multiprovinzielle IPN-Kohorte aufbauen, die auf 3600 Patienten mit IPNs aus drei Provinzen basiert: British Columbia, Ontario und Quebec. Für die Breathomics werden wir eine umfassende Untersuchung flüchtiger organischer Verbindungen mithilfe modernster Technologie und hochauflösender, präziser Massengaschromatographie-Spektrometrie durchführen. Die Atemsignaturen werden anhand prädiagnostischer Atemproben in der IPN-Kohorte validiert und der klinische Nutzen mit einem mobilen Point-of-Care-Gerät getestet. Wir werden das zirkulierende Proteinpanel prospektiv validieren und das absolute Lungenkrebsrisiko in der IPN-Kohorte bewerten, um die Risikoschwellen für die klinische Anwendung festzulegen. Parallel dazu werden wir einen Deep-Learning-Algorithmus auf Basis von LDCT-Bildern entwickeln, um die Klassifizierung von IPN zu verbessern. Über den klinischen Nutzen dieser Instrumente wird eine gesundheitsökonomische Analyse durchgeführt.

Bedeutung:

Die IPN-Population bietet uns eine ungenutzte Lernmöglichkeit, um die Früherkennung von Lungenkrebs zu verbessern. Die Identifizierung von Personen, die derzeit nicht für ein Screening geeignet sind, aber ein hohes Risiko für Lungenkrebs haben, ermöglicht es uns, künstliche Intelligenz und andere Biomarker zu nutzen, um Lungenkrebs anhand einer bereits verfügbaren Einzel-Thorax-CT vorherzusagen.